🤖 AI

Beyond Forecasting: The Belief-to-Trade Layer in Prediction-Market Agents

Het artikel introduceert Raven-Agent, de eerste autonome handelsagent voor voorspellingsmarkten, die bestaande beleidsregels overtreft door de kloof tussen gekalibreerde voorspellingen en winstgevende handel te overbruggen om positieve rendementen te behalen op gearchiveerde beslissingsdata.

Oorspronkelijke auteurs: Yishu Wang, Yuxuan Wang, Jiaqi Deng, Hanyang Tang

Gepubliceerd 2026-07-07

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Yishu Wang, Yuxuan Wang, Jiaqi Deng, Hanyang Tang

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je op een gigantische, hoogstaande kermisattractie bent waar mensen wedden op toekomstige gebeurtenissen: "Ga het morgen regenen?" "Zal een specifieke politicus tegen juni aftreden?" "Zal de olieprijs de $100 bereiken?"

De meeste AI-onderzoekers hebben geprobeerd de beste waarzegger te bouwen. Ze trainen hun AI om het nieuws te analyseren, de cijfers te verwerken en te zeggen: "Ik weet voor 80% zeker dat het gaat regenen." Ze meten succes aan de hand van hoe dicht die 8ing 80% schatting bij het werkelijke weer ligt.

Maar dit artikel betoogt dat een geweldige waarzegger zijn niet genoeg is om geld te winnen. Je moet ook een slimme gokker zijn.

De auteurs, Yishu Wang en collega's, hebben een nieuw systeem gebouwd genaand Raven-Agent. Ze realiseerden zich dat hoewel AI steeds beter wordt in het voorspellen van waarschijnlijkheden, het verschrikkelijk is in het beslissen hoeveel er ingezet moet worden en wanneer men moet stoppen.

Hier is de uitleg van hun idee met behulp van eenvoudige analogieën:

1. Het Problek: De "Zelfverzekerde Verliezer"

Stel je een waarzegger voor die erg zelfverzekerd is. Ze zegt: "Ik weet voor 90% zeker dat Team A zal winnen!" Maar de weddenschapsodds zijn ook daadwerkelijk 90% in het voordeel van Team A.

De fout van de AI: Als de AI veel geld inzet op deze weddenschap, kan ze de weddenschap wel winnen, maar verliest ze onder de streep alsnog geld omdat de uitbetaling minuscuul is in vergelijking met het risico.
Het echte probleem: Recente studies toonden aan dat zelfs wanneer AI de waarschijnlijkheid goed raadt, het nog steeds geld verliest omdat het niet weet hoe het zijn portemonnee moet beheren. Het behandelt elke "goede gok" als een reden om hetzelfde bedrag in te zetten, ongeacht of de weddenschap daadwerkelijk de moeite waard is.

2. De Oplossing: De "Raven-Agent"

De auteurs hebben niet alleen een betere waarzegger gebouwd. Ze hebben een Handelsmanager gebouwd (die ze de "Belief-to-Trade Layer" noemen) die tussen de gok van de AI en de daadwerkelijke weddenschap in zit.

Beschouw Raven-Agent als een strenge casinomanager die naast de waarzegger staat. De waarzegger kan voorspellingen roepen, maar de manager beslist of de weddenschap plaatsvindt en hoeveel geld er op tafel komt te liggen.

De manager heeft vier specifieke regels (modules):

De Filter (Selectie): De manager bekijkt alle voorspellingen en vraagt: "Is dit eigenlijk wel een goede deal?" Als de potentiële winst te klein is in verhouding tot het risico, zegt de manager: "Sla deze over."
De Timer (Rangschikking): Sommige weddenschappen keren morgen uit, andere pas over zes maanden. De manager berekent de "snelheid" van de winst. Een kleine winst die snel binnenkomt, is vaak beter dan een enorme winst die eeuwig op zich laat wachten.
De Portemonnee (Grootte): Dit is het belangrijkste deel. De manager gebruikt een beroemde wiskundige formule (de Kelly Criterion, maar dan afgeschaald om veiliger te zijn) om precies te bepalen hoeveel er wordt ingezet.
- Analogie: Als de AI er slechts een beetje zeker van is, zet de manager een cent in. Als de AI zeer zeker is en de kansen geweldig zijn, zet de manager wat meer in. Maar ze zetten nooit de hele bankroll in.
Het Veiligheidsnet (Risicobeheersing): De manager heeft een harde stop-loss regel. Als de weddenschap slecht begint te gaan, stopt de manager het verlies onmiddellijk. Ze zorgen er ook voor dat de AI niet te veel inzet op één enkele gebeurtenis (zoals niet al je eieren in één mandje leggen). Cruciaal is dat deze regels hard-coded zijn, wat betekent dat de AI er niet "omheen kan praten".

3. Het Experiment: De "Tijdreis-Herhaling"

Om dit te testen, lieten de auteurs de AI niet direct met echt geld gokken. Ze gebruikten een "Tijdreis-Herhaling" (Time-Travel Replay).

Ze namen een enorm archief van eerdere wedmarkten (van een platform genaamd Polymarket).
Ze namen exact dezelfde gokken die andere AI's in het verleden hadden gedaan.
Ze haalden diezelfde gokken door de nieuwe "Raven-Agent" manager.
Ze vergeleken de resultaten met andere strategieën (zoals "zet overal $10 op" of "zet meer in als je zelfverzekerder bent").

4. De Resultaten: De Enige Winnaar

De resultaten waren duidelijk:

De Oude Manieren: Elke andere strategie verloor geld. Sommige verloren een beetje, andere verloren veel (één verloor zelfs 55% van zijn geld!).
Raven-Agent: Het was de enige strategie die winst maakte. Het veranderde een verliezende situatie in een winnende situatie, simpelweg door te veranderen hoe de weddenschappen werden geplaatst, en niet door de voorspellingen zelf te veranderen.

De Kernboodschap

Het artikel stelt dat in voorspellingsmarkten hoe je je geld beheert net zo belangrijk is als hoe goed je de toekomst voorspelt.

Je kunt de slimste AI ter wereld hebben, maar als je geen strikte, logische manager hebt om te vertellen wanneer je moet inzetten, hoeveel je moet inzetten en wanneer je moet stoppen, zul je geld verliezen. Raven-Agent bewijst dat het toevoegen van een gedisciplineerde, wiskundige "handelslaag" bovenop een AI een verliezend spel kan veranderen in een winnend spel.

Kortom: Bouw niet alleen een betere kristallen bol; bouw een betere portemonneebeheerder.

Technische Samenvatting: Voorbij Voorspellen: De Belief-to-Trade Laag in Voorspellingsmarkt-Agenten

1. Probleemstelling

Hoewel het voorspellen van toekomstige gebeurtenissen is uitgegroeid tot een kritieke testomgeving voor algemene AI, bestaat er een aanzienlijke kloof tussen gekalibreerde waarschijnlijkheidsscores en daadwerkelijke handelswinstgevendheid. Bestaande benchmarks (bijv. ForecastBench, Prediction Arena) laten zien dat sterke probabilistische voorspellingen niet noodzakelijkerwijs vertalen naar winstgevende handel.

Het kernproblek dat wordt geïdentificeerd, is dat huidige evaluatiekaders de handelslaag (het mechanisme dat voorspellingen omzet in acties) vaak behandelen als een vast protocol (bijv. vaste inzetgroottes, eenvoudige vertrouwensdrempels) of deze geheel weglaten. Gevolgelijk zijn kritieke downstream-componenten zoals positiegrootte, portfolio-expositie en risicobeheersing ofwel afwezig, of worden ze slechts uitgedrukt als instructies binnen de prompt van het taalmodel. De auteurs stellen dat deze componenten behandeld moeten worden als expliciete, ontwerpbare en modulaire objecten in plaats van hard-coded regels of op prompts gebaseerde heuristieken.

2. Methodologie: Raven-Agent

Het artikel stelt Raven-Agent voor, een autonome handelsagent die is ontworpen om de "belief-to-trade" laag te isoleren en te optimaliseren. Het systeem is gebouwd rond een deterministische, modulaire architectuur die onderstrooms van een vervangbare voorspellingsmodule staat.

Architectuuroverzicht

Raven-Agent bestaat uit vier primaire modules:

Informatieverzameling: Scant potentiële markten (via de Polymarket Gamma API), haalt prijs- en liquiditeitsgegevens op en verzamelt recent nieuwsbewijs. Deze module produceert een tijdgestempelde "pulse" die dient als contract tussen databronnen en de downstream-logica, waardoor modulaire updates van datastreams mogelijk zijn.
Waarschijnlijkheidsanalyse: Een vervangbare voorspellingsmodule die de waarschijnlijkheid ( $p_i$ ) voor een specifieke contractzijde outputt. In de gerapporteerde experimenten wordt deze module vastgehouden, waarbij gearchiveerde waarschijnlijkheden worden hergebruikt om ervoor te zorgen dat prestatieverschillen uitsluitend toe te schrijven zijn aan de handelslaag.
Ranking en Groottebepaling:
- Selectie: Kandidaten worden gerangschikt op basis van een tijd-genormaliseerd rendement ( $\rho_i$ ) in plaats van een ruwe waarschijnlijkheidsmarge ( $p_i - q_i$ ). Dit houdt rekening met de duur waarin kapitaal vaststaat tot de afwikkeling:
  $\rho_i = \left(\frac{p_i}{q_i} - 1\right) \cdot \frac{30}{\max(T_i, 1)}$
  waarbij $T_i$ de dagen tot afwikkeling zijn. De top $K=4$ kandidaten worden behouden.
- Groottebepaling: Inzetten worden bepaald met behulp van een kwart-Kelly-criterium toegepast op de behouden posities:
  $s_i = \frac{1}{4} \cdot \max\left(0, \frac{p_i - q_i}{1 - q_i}\right) \cdot W$
  waarbij $W$ het bankroll is. Deze schaling houdt rekening met de inputruis in de waarschijnlijkheidsschattingen.
Executie en Risicobeheersing: Deze module handhaaft deterministische beperkingen buiten de prompt van het taalmodel om "zelfverzekerd foute" fouten te voorkomen. Het controleert orders tegen vijf harde beperkingen:
- Cap op de nominale waarde per transactie.
- Cap op de geaggregeerde expositie.
- Cap per evenement (voor gecorreleerde contracten).
- Position-level stop-loss (sluit posities als de mark-to-market verlies een fractie van de kostprijs overschrijdt).
- Portfolio-level drawdown halt (bevriest nieuwe openingen als de equity drawdown een drempel overschrijdt).

Experimenteel Protocol

De auteurs introduceren een gecontroleerd replay-protocol met behulp van gearchiveerde beslissingssets van een live Polymarket-implementatie. Dit protocol hergebruikt gearchiveerde voorspellingen, marktprijzen en executiegegevens. Door de voorspeller constant te houden en alleen de handelsstrategie te variëren, isoleert de studie de impact van de handelslaag.

3. Belangrijkste Bijdragen

Het artikel schetst drie primaire bijdragen:

Replay Protocol: Een methodologie om gearchiveerde voorspellingen te hergebruiken om de handelslaag te isoleren van de voorspeller, wat een eerlijke vergelijking van handelsstrategieën mogelijk maakt.
Raven-Agent: Een autonome agent-architectuur die de handelslaag een expliciet, modulair en composabel onderdeel maakt, waarbij selectie, groottebepaling en risicobeheersing worden gescheiden van het voorspellingsmodel.
Empirische Validatie: Bewijs dat een expliciete handelslaag de return on stake en de risico-gecorrigeerde rendementen verbetert vergeleken met heuristische beleidsregels, zelfs wanneer de onderliggende voorspeller vaststaat.

4. Resultaten

De agent werd geëvalueerd tegen vijf beleidsregels op een dataset van 59 openstaande beslissingen over 65 pulse-runs:

Alleen voorspelling (Forecast-only): Vaste inzet van $10 voor elke positieve marge-voorspelling.
Marge-proportioneel (Edge-proportional): Inzet proportioneel aan de marge ( $p_i - q_i$ ) zonder selectiefiltering.
Marge-filter (Edge-filter): Vaste inzet van $10 alleen voor voorspellingen met marge > 5%.
Raven-Agent (vast): Volledige risicolaag met vaste inzet van $10.
Raven-Agent (volledig): Volledige risicolaag met kwart-Kelly groottebepaling.

Belangrijkste bevindingen:

Raven-Agent (volledig) was de enige beleidsregel die een positieve Return on Investment (ROI) van +15,9% en een positieve stake-gewogen Sharpe-ratio (+0,42) behaalde.
Edge-proportional presteerde het slechtst (-55,5% ROI), wat aantoont dat het zwaar inzetten op kapitaal op basis van "zelfverzekerd foute" hoge-marge voorspellingen zonder selectiefiltering de verliezen versterkt.
Raven-Agent (vast) (-4,7% ROI) presteerde beter dan alle andere vaste-inzet beleidsregels, wat aangeeft dat selectie en risicofiltering alleen al waarde bieden.
De Selected Brier score verbeterde naarmate de beleidsregels agressiever werden in het filteren (van 0,329 voor het volledige archief naar 0,258 voor Raven-Agent), wat bevestigt dat de handelslaag slecht gekalibreerde voorspellingen succesvol wegfiltert.

In een live implementatie (20 voorspellingen) cumuleerde de agent $53,92 aan winst.

5. Betekenis en Claims

Het artikel beweert dat de kloof tussen voorspellingsnauwkeurigheid en handelswinstgevendheid grotendeels te wijten is aan het gebrek aan een robuuste, expliciete handelslaag. De auteurs stellen dat:

Selectie en Risicofiltering Cruciaal Zijn: Het simpelweg bepalen van de inzet op basis van marge is onvoldoende; het wegfilteren van waarde-vernietigende voorspellingen is een noodzakelijke aanvulling op geïnformeerde groottebepaling.
Deterministische Beperkingen Superieur zijn aan Prompt-sturing: Vertrouwen op prompt-instructies voor risicobeheer is onbetrouwbaar. Het afdwingen van harde beperkingen (stop-loss, drawdown-limieten) buiten de prompt van het taalmodel voorkomt catastrofale fouten en biedt controleerbare redenen voor afwijzing.
Modulariteit Vooruitgang Mogelijk Maakt: Door de voorspeller te ontkoppelen van de handelslaag, kunnen verbeteringen in kalibratie (voorspelling) en uitvoering (handel) onafhankelijk van elkaar worden geëvalueerd en ontwikkeld.

De auteurs hanteren een bescheiden toon en merken op dat de steekproefomvang beperkt is en de voorspeller vaststond. Ze erkennen dat hoewel hun resultaten de bijdrage van de handelslaag isoleren, een sterkere voorspeller in dezelfde infrastructuur kan worden geplaatst om de voordelen verder te versterken. Het werk claimt niet alle uitdagingen van AI-handel op te lossen, maar vestigt een fundamenteel kader voor de "belief-to-trade" laag.